Particle filter efficiency under limited communication
有限通信下粒子滤波的效率AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用序贯 Monte Carlo 算法，没有给出宏观时间序列或金融应用依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
有限通信下粒子滤波的效率
- 研究问题
- 粒子之间只能有限通信时，分布式序贯 Monte Carlo 算法的通信结构如何影响收敛与长期稳定性？
- 方法与思路
- 作者以随机矩阵控制 α 序贯 Monte Carlo 的粒子通信，研究矩阵混合性质，并构造随机化局部通信结构。
- 材料陈述的贡献
- 摘要称，每个粒子仅与少量邻近粒子通信也可保证良好混合，并使算法保持通常的 Monte Carlo 收敛速率。
- 阅读关注点
- 应核对通信矩阵的混合条件、稳定性界的含义，以及局部通信所需成本与收敛保证之间的具体关系。
- 阅读边界
- 仅据 Crossref 摘要；状态模型条件、误差常数和并行加速数值未说明，不能据此判断所有滤波任务的效率。
原文摘要
Summary Sequential Monte Carlo methods are typically not straightforward to implement on parallel architectures. This is because standard resampling schemes involve communication between all particles. The $$\alpha$$-sequential Monte Carlo method was proposed recently as a potential solution to this that limits communication between particles. This limited communication is controlled through a sequence of stochastic matrices known as $$\alpha$$ matrices. We study the influence of the communication structure on the convergence and stability properties of the resulting algorithms. In particular, we quantitatively show that the mixing properties of the $$\alpha$$ matrices play an important role in the stability properties of the algorithm. Moreover, we prove that one can ensure good mixing properties by using randomized communication structures where each particle only communicates with a few neighbouring particles. The resulting algorithms converge at the usual Monte Carlo rate. This leads to efficient versions of distributed sequential Monte Carlo.